Różnica między uczeniem maszynowym a sztuczną inteligencją

Kluczowa różnica - uczenie maszynowe a sztuczna inteligencja
 

Sztuczna inteligencja jest szerokim pojęciem. Samochody z własnym napędem, inteligentne domy to niektóre przykłady sztucznej inteligencji. Niektóre kraje mają inteligentne roboty w takich dziedzinach, jak medycyna, produkcja, wojsko, rolnictwo i gospodarstwa domowe. Uczenie maszynowe jest rodzajem sztucznej inteligencji. The kluczowa różnica między uczeniem maszynowym a sztuczną inteligencją jest to Uczenie maszynowe to rodzaj sztucznej inteligencji, która umożliwia komputerowi naukę bez wyraźnego programowania, a sztuczna inteligencja to teoria i rozwój systemów komputerowych zdolnych do inteligentnego wykonywania zadań podobnych do człowieka. Uczenie maszynowe wykorzystuje algorytm do analizowania danych, uczenia się na ich podstawie i podejmowania odpowiednich decyzji. Jest to rozwój algorytmów samouczących się, a sztuczna inteligencja polega na opracowywaniu systemu lub oprogramowania inteligentnego jak człowiek.

ZAWARTOŚĆ

1. Przegląd i kluczowa różnica
2. Co to jest uczenie maszynowe
3. Czym jest sztuczna inteligencja
4. Podobieństwa między uczeniem maszynowym a sztuczną inteligencją
5. Porównanie obok siebie - uczenie maszynowe a sztuczna inteligencja w formie tabelarycznej
6. Podsumowanie

Co to jest uczenie maszynowe?

Algorytm to sekwencja kroków informująca komputer o rozwiązaniu problemu. Uczenie maszynowe jest rodzajem sztucznej inteligencji. Zapewnia komputerom możliwość uczenia się bez wyraźnego programowania. Są to różne algorytmy dostępne do rozwiązywania problemów uczenia maszynowego. W zależności od rodzaju problemu można wybrać odpowiedni algorytm uczenia maszynowego. Koncentruje się na opracowywaniu programów komputerowych, które mogą dać wynik, gdy zostaną wystawione na nowe dane.

Istnieją różne rodzaje uczenia maszynowego. Są to: nauka nadzorowana, nauka bez nadzoru i nauka wzmacniająca. Uczenie nadzorowane korzysta ze znanego zestawu danych do prognozowania. Zestaw danych wejściowych (X) i zestaw odpowiednich wartości odpowiedzi lub wyników (Y) są przekazywane nadzorowanemu algorytmowi uczenia się. Ten zestaw danych jest znany jako zbiór danych szkoleniowych. Korzystając z tego zestawu danych, algorytm buduje model (Y = f (X)), dzięki czemu może podać wartość wyjściową do uzupełnienia nowego zestawu danych.

Klasyfikacja i regresja są nadzorowanymi algorytmami uczenia maszynowego. Klasyfikacja służy do klasyfikacji rekordu. Jednym prostym przykładem jest „czy temperatura jest niska”. Odpowiedź może brzmieć „tak” lub „nie”. Istnieje pewna liczba opcji do sklasyfikowania. Jeśli są dwie możliwości, jest to klasyfikacja dwóch klas. Jeśli są więcej niż dwie możliwości, jest to klasyfikacja wielu klas. Regresja służy do obliczenia wyniku liczbowego. Na przykład przewidywanie temperatury jutra. Innym przykładem może być przewidywanie wartości domu.

W uczeniu bez nadzoru podawane są tylko dane wejściowe i nie ma odpowiadających im wyników. Zamiast tego algorytm znajduje wzorzec lub strukturę, aby dowiedzieć się więcej o danych. Klastrowanie jest klasyfikowane jako uczenie się bez nadzoru. Dzieli dane na grupy lub klastry, aby ułatwić interpretację danych.

Rysunek 01: Uczenie maszynowe

Reinforcement Learning inspirowane jest psychologią behawiorystyczną. Dotyczy maksymalizacji pojęcia skumulowanej nagrody. Jednym z przykładów uczenia się przez wzmocnienie jest instruowanie komputera, aby grał w szachy. Jest tak wiele kroków do nauki gry w szachy. Dlatego nie można instruować o każdym kroku. Można jednak stwierdzić, czy dana czynność została wykonana poprawnie, czy nie. W Reinforcement Learning komputer będzie próbował zmaksymalizować nagrodę i uczyć się z doświadczenia. Innym przykładem jest automatyczny regulator temperatury. System powinien zwiększyć lub zmniejszyć temperaturę zgodnie z wymaganiami. Uczenie się przez wzmocnienie jest dobre dla systemów, które powinny podejmować decyzje bez większego udziału ludzi.

Co to jest sztuczna inteligencja?

Sztuczna inteligencja polega na tym, aby komputer, robot sterowany przez komputer lub oprogramowanie inteligentnie myślał podobnie do człowieka. Odnosiło się to do systemu, sposobu, w jaki ludzie myślą, jak uczą się, decydują i rozwiązują problemy. Wreszcie, zbudowany jest inteligentny i inteligentny system. Sztuczna inteligencja to modna technologia we współczesnym świecie. Jest to połączenie różnych dyscyplin, takich jak informatyka, biologia, matematyka i inżynieria.

Rysunek 02: Sztuczna inteligencja

Istnieje wiele zastosowań sztucznej inteligencji (AI). Nowoczesne aplikacje do gier wykorzystują sztuczną inteligencję. Badania nad sztuczną inteligencją obejmują również przetwarzanie języka naturalnego. Ma to na celu umożliwienie komputerowi lub maszynie zrozumienia języka naturalnego, którym posługują się ludzie, i odpowiedniego wykonywania zadań. Inną aplikacją są roboty przemysłowe. Są bardziej wyrafinowane roboty z wydajnymi procesorami i ogromną ilością pamięci. Mogą dostosowywać się do nowego środowiska i gromadzić dane za pomocą światła, temperatury, dźwięku itp. Są one stosowane w takich dziedzinach, jak medycyna i produkcja. Sztuczna inteligencja stosowana również w optycznym rozpoznawaniu znaków, pojazdach autonomicznych, symulacjach wojskowych i wielu innych.

Jakie są podobieństwa między uczeniem maszynowym a sztuczną inteligencją?

• Oba można wykorzystać do budowy wyrafinowanych systemów do wykonywania określonych zadań.
• Oba oparte są na statystykach i matematyce.
• Uczenie maszynowe to nowa, najnowocześniejsza technologia sztucznej inteligencji.

Jaka jest różnica między uczeniem maszynowym a sztuczną inteligencją?

Uczenie maszynowe a sztuczna inteligencja
Uczenie maszynowe jest rodzajem sztucznej inteligencji, która umożliwia komputerowi naukę bez wyraźnego programowania. Wykorzystuje algorytm do analizowania danych, uczenia się z nich i podejmowania odpowiednich decyzji.	Sztuczna inteligencja to teoria i rozwój systemów komputerowych zdolnych do inteligentnego wykonywania zadań podobnych do istoty ludzkiej.
Funkcjonalność
Uczenie maszynowe koncentruje się na dokładności i wzorcach.	Sztuczna inteligencja koncentruje się na inteligentnym zachowaniu i maksymalnej zmianie sukcesu.
Kategoryzacja
Uczenie maszynowe można podzielić na uczenie się nadzorowane, uczenie się bez nadzoru i uczenie się wzmacniające.	Aplikacje oparte na sztucznej inteligencji można sklasyfikować jako stosowane lub ogólne.

streszczenie - Uczenie maszynowe a sztuczna inteligencja

Sztuczna inteligencja jest postępem i szeroką dyscypliną. Składa się z wielu innych dziedzin, takich jak inżynieria, matematyka, informatyka itp. Różnica między uczeniem maszynowym a sztuczną inteligencją polega na tym, że uczenie maszynowe jest rodzajem sztucznej inteligencji, która umożliwia komputerowi naukę bez wyraźnego programowania i sztucznej inteligencji Inteligencja to teoria i rozwój systemów komputerowych zdolnych do inteligentnego wykonywania zadań podobnych do człowieka. Uczenie maszynowe to nowa, najnowocześniejsza technologia sztucznej inteligencji.

Pobierz wersję PDF uczenia maszynowego a sztuczną inteligencję

Możesz pobrać wersję PDF tego artykułu i używać go do celów offline zgodnie z cytatem. Pobierz wersję PDF tutaj Różnica między uczeniem maszynowym a sztuczną inteligencją

Odniesienie:

1.edurekaIN. Algorytmy uczenia maszynowego | Samouczek uczenia maszynowego | Szkolenie z zakresu analizy danych | Eureka, Eureka !, 21 maja 2017 r. Dostępne tutaj
2.15 Różnica między Ai (sztuczną inteligencją) a uczeniem maszynowym, Patel Vidhu, 14 lipca 2017 r. Dostępny tutaj 
3.DigitalOcean. "Zawartość." Wprowadzenie do uczenia maszynowego DigitalOcean, DigitalOcean, 11 grudnia 2017. Dostępny tutaj 
4. „Algorytmy uczenia maszynowego nadzorowanego i bez nadzoru”. Machine Learning Mastery, 21 września 2016 r. Dostępne tutaj 
5. tutorialspoint.com. „Mahout Machine Learning”. Punkt. Dostępny tutaj 

Zdjęcie dzięki uprzejmości:

1.'2729781 'przez GDJ / 2440 zdjęć (Public Domain) przez pixabay
2. „Art.intelligence” Autor: Alejandro Zorrilal Cruz, (domena publiczna) przez Commons Wikimedia